論文の概要: BMR and BWR: Two simple metaphor-free optimization algorithms for solving real-life non-convex constrained and unconstrained problems
- arxiv url: http://arxiv.org/abs/2407.11149v1
- Date: Mon, 15 Jul 2024 18:11:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-17 19:31:15.478710
- Title: BMR and BWR: Two simple metaphor-free optimization algorithms for solving real-life non-convex constrained and unconstrained problems
- Title（参考訳）: BMRとBWR: 現実の非凸制約問題と非制約問題に対する2つの単純なメタファーなし最適化アルゴリズム
- Authors: Ravipudi Venkata Rao, Ravikumar shah,
- Abstract要約: 本稿では,Best-Mean-Random (BMR) とBest-Worst-Randam (BWR) という2つの単純な最適化アルゴリズムを提案する。
BMRアルゴリズムは、問題を解くために生成される集団の最適で平均的なランダムな解に基づいている。
BWRアルゴリズムは、最良の、最悪の、ランダムな解に基づいている。
- 参考スコア（独自算出の注目度）: 0.5755004576310334
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents two simple yet powerful optimization algorithms named Best-Mean-Random (BMR) and Best-Worst-Randam (BWR) algorithms to handle both constrained and unconstrained optimization problems. These algorithms are free of metaphors and algorithm-specific parameters. The BMR algorithm is based on the best, mean, and random solutions of the population generated for solving a given problem; and the BWR algorithm is based on the best, worst, and random solutions. The performances of the proposed two algorithms are investigated by implementing them on 26 real-life non-convex constrained optimization problems given in the Congress on Evolutionary Computation (CEC) 2020 competition and comparisons are made with those of the other prominent optimization algorithms. Furthermore, computational experiments are conducted on 30 unconstrained standard benchmark optimization problems including 5 recently developed benchmark problems having distinct characteristics. The results proved the better competitiveness and superiority of the proposed simple algorithms. The optimization research community may gain an advantage by adapting these algorithms to solve various constrained and unconstrained real-life optimization problems across various scientific and engineering disciplines.
- Abstract（参考訳）: 本稿では,Best-Mean-Random (BMR) とBest-Worst-Randam (BWR) という2つの単純な最適化アルゴリズムを提案する。
これらのアルゴリズムはメタファーやアルゴリズム固有のパラメータを含まない。
BMRアルゴリズムは与えられた問題を解決するために生成される集団の最適、平均、ランダムな解に基づいており、BWRアルゴリズムは最良の、最悪の、ランダムな解に基づいている。
提案した2つのアルゴリズムの性能について,CEC2020コンペティションにおける26個の実時間非凸制約最適化問題を用いて検討し,他の顕著な最適化アルゴリズムとの比較を行った。
さらに、最近開発された5つの異なる特徴を持つベンチマーク問題を含む、30の制約のない標準ベンチマーク最適化問題に対して、計算実験を行う。
その結果、提案した単純アルゴリズムの競争性や優位性が向上した。
最適化研究コミュニティは、これらのアルゴリズムを適用して、様々な科学・工学分野にわたる様々な制約や制約のない実生活最適化問題を解くことで、利点を得ることができる。
関連論文リスト
- Dynamic Incremental Optimization for Best Subset Selection [15.8362578568708]
最良のサブセット選択は、多くの学習問題に対する金の標準と見なされている。
主問題構造と双対問題構造に基づいて,効率的な部分集合双対アルゴリズムを開発した。
論文 参考訳（メタデータ） (2024-02-04T02:26:40Z) - GOOSE Algorithm: A Powerful Optimization Tool for Real-World Engineering
Challenges and Beyond [1.1802674324027231]
GOOSEアルゴリズムは19のよく知られたテスト関数でベンチマークされる。
提案アルゴリズムは, 最新のベンチマーク関数10を用いて検証する。
得られた結果は,提案アルゴリズムの優れた性能を示すものである。
論文 参考訳（メタデータ） (2023-07-19T19:14:25Z) - Accelerating Cutting-Plane Algorithms via Reinforcement Learning
Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。
多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。
そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文 参考訳（メタデータ） (2023-07-17T20:11:56Z) - A socio-physics based hybrid metaheuristic for solving complex
non-convex constrained optimization problems [0.19662978733004596]
提案した制約付き最適化手法を批判的に検証する必要がある。
探索は、多数の線形制約と非型不等式を含むため、異なる。
最初のCIベースのアルゴリズムには、自己適応型ペナルティアプローチが組み込まれている。
第2のアルゴリズムはCI-SAPFと未来の参照特性を組み合わせたものである。
論文 参考訳（メタデータ） (2022-09-02T07:46:46Z) - Provably Faster Algorithms for Bilevel Optimization [54.83583213812667]
バイレベル最適化は多くの重要な機械学習アプリケーションに広く適用されている。
両レベル最適化のための2つの新しいアルゴリズムを提案する。
両アルゴリズムが$mathcalO(epsilon-1.5)$の複雑さを達成し,既存のアルゴリズムを桁違いに上回っていることを示す。
論文 参考訳（メタデータ） (2021-06-08T21:05:30Z) - Lower Bounds and Optimal Algorithms for Smooth and Strongly Convex
Decentralized Optimization Over Time-Varying Networks [79.16773494166644]
通信ネットワークのノード間を分散的に保存するスムーズで強い凸関数の和を最小化するタスクについて検討する。
我々は、これらの下位境界を達成するための2つの最適アルゴリズムを設計する。
我々は,既存の最先端手法と実験的な比較を行うことにより,これらのアルゴリズムの理論的効率を裏付ける。
論文 参考訳（メタデータ） (2021-06-08T15:54:44Z) - PAMELI: A Meta-Algorithm for Computationally Expensive Multi-Objective
Optimization Problems [0.0]
提案アルゴリズムは,実モデルのモデルによって定義される一連の代理問題の解法に基づく。
また,最適化ランドスケープのための最適なサロゲートモデルとナビゲーション戦略のメタ検索を行う。
論文 参考訳（メタデータ） (2021-03-19T11:18:03Z) - Optimizing Optimizers: Regret-optimal gradient descent algorithms [9.89901717499058]
我々は,後悔最適アルゴリズムの存在,一意性,一貫性について検討する。
制御問題に対する一階最適条件を提供することにより、後悔最適アルゴリズムはそれらの力学において特定の構造を満たす必要があることを示す。
それらを近似する高速な数値法を提案し,長期的後悔を直接最適化する最適化アルゴリズムを生成する。
論文 参考訳（メタデータ） (2020-12-31T19:13:53Z) - Convergence of adaptive algorithms for weakly convex constrained
optimization [59.36386973876765]
モローエンベロープの勾配のノルムに対して$mathcaltilde O(t-1/4)$収束率を証明する。
我々の分析では、最小バッチサイズが1ドル、定数が1位と2位のモーメントパラメータが1ドル、そしておそらくスムーズな最適化ドメインで機能する。
論文 参考訳（メタデータ） (2020-06-11T17:43:19Z) - Adaptivity of Stochastic Gradient Methods for Nonconvex Optimization [71.03797261151605]
適応性は現代最適化理論において重要であるが、研究されていない性質である。
提案アルゴリズムは,PL目標に対して既存のアルゴリズムよりも優れた性能を保ちながら,PL目標に対して最適な収束性を実現することを実証した。
論文 参考訳（メタデータ） (2020-02-13T05:42:27Z) - Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。
我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
論文 参考訳（メタデータ） (2020-01-29T09:40:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。